基于多特征聚類的近紅外皮下靜脈分割方法
【專利摘要】本發(fā)明設(shè)計了一種基于近紅外成像的皮下靜脈血管分割方法，能夠?qū)崿F(xiàn)靜脈血管的多特征提取及自動聚類。首先，采用NiBlack和形態(tài)學算法實現(xiàn)皮膚區(qū)域的分割及邊緣鏡像延拓；第二步，通過多尺度IUWT和海森矩陣分析得到血管相似性圖像、血管方向圖、血管尺度圖及初分割血管；第三步，利用初分割血管和血管方向圖提取并修補血管分支中心線，采用分段樣條擬合的方法修正分支中心線的位置和方向；第四步，基于血管分支方向計算原圖到分支輪廓圖像的坐標映射關(guān)系，在將IUWT增強圖像和血管相似度圖像分別映射到輪廓圖像空間后，提取歸一化的二階高斯特征和血管相似度特征；第五步，利用得到的血管特征采用K-means算法將輪廓圖像聚類為皮膚、血管和模糊區(qū)域3類。
【專利說明】基于多特征聚類的近紅外皮下靜脈分割方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種皮下靜脈血管分割方法，具體涉及一種基于多特征聚類的近紅外 皮下靜脈分割方法，主要應(yīng)用于皮下靜脈注射、靜脈身份識別等領(lǐng)域。

【背景技術(shù)】
[0002] 隨著研究人員對于不可見光譜成像技術(shù)及人體組織結(jié)構(gòu)光譜成像特性的不斷研 究，紅外光譜在人體組織成像，尤其是皮下靜脈成像中顯示出極佳的增強效果。與x-ray和 超聲成像相比，紅外靜脈成像更加安全和方便。紅外成像的靜脈增強顯示本質(zhì)上源于血管 和皮膚的光譜響應(yīng)差異，這使其應(yīng)用在兒童、老年人、外傷患者、肥胖患者等靜脈注射過程 難度較大的特殊人群時依然具有穩(wěn)定的靜脈增強效果。同時，靜脈血管與指紋等其他傳統(tǒng) 生理特征相比隱藏性高，不易偽造，具有安全性和唯一性，除非手術(shù)介入，其結(jié)構(gòu)不隨時間 和年齡發(fā)生變化，具有穩(wěn)定性。因此，近年來，基于紅外靜脈成像的臨床靜脈注射輔助設(shè)備 及基于靜脈血管特征的身份識別技術(shù)都是各自領(lǐng)域的研究熱點之一，如克里斯蒂醫(yī)療集團 (Christie Medical Holdings, Inc.)的靜脈注射輔助系統(tǒng)和富士通公司的手掌靜脈識別 系統(tǒng)等。
[0003] 紅外靜脈成像根據(jù)光譜范圍可分為800nm?IlOOnm的近紅外成像和8um?14um 的遠紅外成像2種。近紅外成像根據(jù)成像方式又可劃分為反射式和透射式成像2種。遠紅 外成像為被動成像，因時間、溫度、汗?jié)n等環(huán)境因素的影響，其成像質(zhì)量變化劇烈且成像設(shè) 備昂貴；近紅外成像為主動成像，受環(huán)境因素影響較小，其成像質(zhì)量相對穩(wěn)定且設(shè)備相對便 宜。近紅外成像系統(tǒng)中，透射式系統(tǒng)在合適的光源條件下具有較強的對比度，但系統(tǒng)適應(yīng)性 較差，其成像對象局限于厚度較薄的組織，成像結(jié)果隨厚度差異灰度分布極不均勻，光源強 度需隨受測者組織厚度差異進行調(diào)整；而對于反射式系統(tǒng)中，反射圖像灰度分布均勻，同 時，近紅外光3?8_的穿透力可滿足大部分靜脈成像的需求。因此，在實際應(yīng)用中，透射 式系統(tǒng)適合應(yīng)用于手指靜脈的成像，而反射式成像則適合應(yīng)用于手背、手臂等其他區(qū)域的 靜脈成像中。然而，除非使用昂貴的專業(yè)級近紅外成像設(shè)備，近紅外靜脈圖像總體表現(xiàn)為圖 像對比度較低，血管邊緣模糊且背景存在噪聲。
[0004] 為了更好地滿足輔助靜脈注射、身份識別等應(yīng)用的要求，靜脈圖像的血管增強和 準確分割依然是提高應(yīng)用系統(tǒng)性能的關(guān)鍵因素，也是領(lǐng)域內(nèi)研究學者關(guān)注的焦點之一。然 而，由于近紅外靜脈圖像質(zhì)量普遍較差，現(xiàn)有的靜脈分割方法往往存在以下幾方面的局限 性：
[0005] 1.由于環(huán)境因素難以避免，因此，由此產(chǎn)生的圖像光照非均勻性嚴重影響靜脈血 管在不同區(qū)域內(nèi)的對比度，極大的增強了陰影區(qū)域內(nèi)的靜脈血管增強、測量和分割難度；
[0006] 2.由于近紅外圖像成像質(zhì)量較差，基于圖像灰度信息的閾值類分割方法往往難以 獲得平滑的血管邊緣，分割結(jié)果中也存在大量的噪聲，分割細節(jié)能力處理較差。單純采用形 態(tài)學算法解決以上兩類問題又會嚴重影響分割的準確性；
[0007] 3.同樣由于成像質(zhì)量的原因，血管中的連接區(qū)域往往難以分割完整，血管分支間 容易出現(xiàn)斷裂，同時也增加了噪聲濾除的難度。


【發(fā)明內(nèi)容】

[0008] 為了解決上述問題，本發(fā)明將血管結(jié)構(gòu)特征應(yīng)用于準確的靜脈血管分割，提出一 種基于多特征聚類的近紅外皮下靜脈分割方法，綜合考慮了圖像多尺度灰度信息和血管結(jié) 構(gòu)信息，實現(xiàn)了靜脈血管的準確分割。
[0009] -種基于多特征聚類的近紅外皮下靜脈分割方法，包括以下步驟：
[0010] 第一步、近紅外靜脈圖像預(yù)處理：計算全局閾值以提取近紅外靜脈圖像中的皮膚 區(qū)域Mask，基于形態(tài)學算法實現(xiàn)Mask手背區(qū)域的邊緣延拓；
[0011] 第二步、靜脈血管增強及血管特征提?。菏紫韧ㄟ^IUWT小波分解和重構(gòu)在實現(xiàn)非 均勻光照校正的同時進行圖像增強，隨后，基于海森計算多尺度的血管信息，通過分析海森 矩陣的特征值和特征向量血管相似性圖像、血管方向圖和初分割血管，通過尺度因子得到 尺度圖像；
[0012] 第三步、血管分支的提取和測量：基于初分割血管提取血管分支中心線，利用血管 方向圖實現(xiàn)斷裂血管分支間的連接，并采用樣條曲線完成血管分支的擬合；
[0013] 第四步、輪廓圖像的計算及血管特征的提?。夯谛拚难芊种Х较蚝统叨葓D 像，將血管相似性圖像和IUWT增強圖像中的彎曲血管分支及鄰域區(qū)域分別映射為直線及 矩形的輪廓圖像，并在輪廓圖像中分別計算得到二階水平高斯分布和血管相似度兩種血管 特征；
[0014] 第五步、靜脈血管的分割及后處理：基于以上兩種血管特征，將輪廓圖像中各點分 為皮膚、血管和模糊區(qū)域三類，并將分割結(jié)果反映射到原圖像坐標系下實現(xiàn)分支融合，隨后 采用形態(tài)學算法填補反映射坐標近似產(chǎn)生的血管空洞。
[0015] 本發(fā)明的有益效果：
[0016] 1.利用IUWT分解和重建去除了原近紅外圖像中的非均勻光照影響，并實現(xiàn)了靜 脈血管的增強；
[0017] 2.采用基于海森矩陣的多尺度血管特征從整體上提取得到了包括血管相似度、 初分割血管、血管方向及血管尺度等多種血管特征，為后續(xù)的血管局部處理提供豐富的信 息；
[0018] 3.基于血管方向圖實現(xiàn)了血管分支中心線的修補，保證了血管分割結(jié)構(gòu)完整。隨 后的中心線樣條擬合進一步修正了中心線位置及血管方向；
[0019] 4.基于修正的血管分支方向?qū)澢难苤行木€及其鄰域分別映射為直線和矩 形的輪廓圖像，統(tǒng)一血管方向的同時極大的方便了后續(xù)中心線鄰域內(nèi)血管特征的特區(qū)及分 類。
[0020] 5.用于血管分類的水平二階高斯分布響應(yīng)和血管相似度可準確的提取輪廓圖像 中的管狀特征。采用K-means算法將輪廓圖像中各點分為3類在實現(xiàn)自適應(yīng)分類的同時也 排除了模糊區(qū)域的干擾，保證了分割的準確性。

【專利附圖】

【附圖說明】
[0021] 圖1是本發(fā)明所提出的靜脈血管分割方法流程圖；
[0022] 圖2是靜脈血管增強及血管特征圖像提取流程圖；
[0023] 圖3是血管分支的提取和測量流程圖；
[0024] 圖4是血管中心線鄰域分布及血管跟蹤示意圖；
[0025] 圖5是輪廓圖像的計算及血管特征的提取流程圖。

【具體實施方式】
[0026] 如附圖1所示，基于多特征聚類的近紅外皮下靜脈血管分割方法具體包括以下幾 個步驟：
[0027] 步驟S101，近紅外靜脈圖像預(yù)處理。
[0028] 近紅外靜脈圖像包括背景、皮膚和靜脈血管三個區(qū)域。其中，皮膚及靜脈區(qū)域的灰 度值明顯高于背景區(qū)域，在圖像直方圖中體現(xiàn)為兩部分區(qū)域存在明顯的分界線。因此，為了 縮小圖像處理范圍并排除邊緣影響，本發(fā)明首先利用Niblack全局閾值分割得到皮膚及靜 脈血管區(qū)域，其閾值計算如公式（1):
[0029] Tb = Mean-b X std (1)
[0030] 其中，Mean和std分別為圖像的全局均值和均方差；b為閾值系數(shù)，在固定光照下， 單次手動選取即可滿足皮膚分割的要求。隨后，為了保證皮膚區(qū)域準確和完整的分割，本發(fā) 明采用連通域算法去除了分割結(jié)果中小塊的噪聲區(qū)域，并保留最大連通域作為皮膚及靜脈 血管區(qū)域。同時，采用中值濾波和形態(tài)學閉運算分別實現(xiàn)邊緣平滑和空洞填補，得到皮膚區(qū) 域蒙版，記為Mask。
[0031] 此外，為了簡化后續(xù)血管增強算法在蒙版的邊界處理，本發(fā)明采用一種迭代方法 實現(xiàn)皮膚區(qū)域的邊緣鏡像延拓。迭代次數(shù)與增強算法中鄰域操作的次數(shù)及模板大小有關(guān)， 其迭代過程如下：
[0032] 1.首先，定義一個臨時的tMask = Mask,并采用3X3模板對tMask完成一次膨脹 操作，則待延拓點集可表示為：Set(p) = dilate(tMask)_tMask;
[0033] 2.隨后，Set(P)的灰度值由鄰域中tMask內(nèi)的點集的平均灰度代替；
[0034] 3?最后，更新 tMask 區(qū)域，即 tMask = dilate (tMask)。
[0035] 邊緣延拓算法在原圖像上進行處理，其輸出圖像和蒙版圖像將共同作為血管增強 及分割算法的輸入，在限制血管提取圖像處理范圍的同時又不必為蒙版邊緣點進行多余的 判斷。
[0036] 步驟S102,靜脈血管增強及血管特征圖像提取。
[0037] 為了實現(xiàn)精細的血管分割，本發(fā)明采用結(jié)合IUWT和海森矩陣分析的多尺度增強 方法，對靜脈圖像分別從局部灰度分布和管狀結(jié)構(gòu)分析兩方面進行血管增強，最終得到血 管特征圖像，其流程如圖2所示。
[0038] IUWT包括圖像分解和重建兩個過程，分解過程可從圖像中分解得到各尺度的細節(jié) 信息，重建過程則是將各尺度的細節(jié)信息選擇性組合。
[0039] 圖像分解過程首先需要通過多尺度低通濾波器得到尺度圖像Ci,計算過程如下公 式：

【權(quán)利要求】
1. 一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征在于，包括以下步驟： 第一步、近紅外靜脈圖像預(yù)處理：計算全局閾值以提取近紅外靜脈圖像中的皮膚區(qū)域 Mask，基于形態(tài)學算法實現(xiàn)Mask手背區(qū)域的邊緣延拓； 第二步、靜脈血管增強及血管特征提?。菏紫韧ㄟ^IUWT小波分解和重構(gòu)在實現(xiàn)非均勻 光照校正的同時進行圖像增強，隨后，基于海森計算多尺度的血管信息，通過分析海森矩陣 的特征值和特征向量血管相似性圖像、血管方向圖和初分割血管，通過尺度因子得到尺度 圖像； 第三步、血管分支的提取和測量：基于初分割血管提取血管分支中心線，利用血管方向 圖實現(xiàn)斷裂血管分支間的連接，并采用樣條曲線完成血管分支的擬合； 第四步、輪廓圖像的計算及血管特征的提?。夯谛拚难芊种Х较蚝统叨葓D像，將 血管相似性圖像和IUWT增強圖像中的彎曲血管分支及鄰域區(qū)域分別映射為直線及矩形的 輪廓圖像，并在輪廓圖像中分別計算得到二階水平高斯分布和血管相似度兩種血管特征； 第五步、靜脈血管的分割及后處理：基于以上兩種血管特征，將輪廓圖像中各點分為皮 膚、血管和模糊區(qū)域三類，并將分割結(jié)果反映射到原圖像坐標系下實現(xiàn)分支融合，隨后采用 形態(tài)學算法填補反映射坐標近似產(chǎn)生的血管空洞。
2. 如權(quán)利要求1所述的一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征在 于，所述第二步的具體步驟如下： [1] 對預(yù)處理圖像進行IUWT小波分解得到各尺度細節(jié)圖像； [2] 選擇適當個數(shù)的尺度圖像進行小波重建，增強血管并去除光照干擾； [3] 在多尺度下計算IUWT增強圖像的海森矩陣圖像，并在每一點計算不同尺度下的海 森矩陣的特征值和特征向量； [4] 計算多尺度下的血管相似度； [5] 根據(jù)特征向量的反向得到血管方向圖； [6] 根據(jù)多尺度血管相似度計算中尺度信息得到血管尺度圖； [7] 選擇合適的閾值，得到血管初分割結(jié)果。
3. 如權(quán)利要求1或2所述的一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征 在于，所述第三步的具體步驟如下： [1] 基于血管初分割結(jié)果提取血管中心線； [2] 采用血管跟蹤的方法將中心線劃分為血管分支； [3] 基于血管方向圖和血管分支中心線信息，對分支中心線進行修補； [4] 對修補的分支中心線采用分段樣條擬合進一步實現(xiàn)位置修正； [5] 基于樣條曲線的函數(shù)形式，計算修正后血管方向。
4. 如權(quán)利要求1或2所述的一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征 在于，所述第四步的具體步驟如下： [1] 根據(jù)分支中心線方向計算其鄰域到矩形輪廓圖像的坐標映射關(guān)系； [2] 利用該坐標映射關(guān)系分別得到iuwt血管增強圖像和血管相似度圖像的分支輪廓 圖像； [3] 將IUWT增強的圖像對應(yīng)的分支輪廓圖像按行進行灰度歸一化處理； [4] 用二階水平高斯函數(shù)卷積歸一化的結(jié)果，得到分支血管的二階高斯響應(yīng)； [5]分別對分支輪廓圖像的血管相似度和二階高斯響應(yīng)進行全局歸一化處理即可得到 兩個血管特征。
5.如權(quán)利要求4所述的一種基于多特征聚類的近紅外皮下靜脈分割方法，其特征在 于，所述的輪廓圖像坐標映射關(guān)系公式如下：
其中，（x，y)表示采樣點坐標，（x^yd)表示切面對應(yīng)的血管中心線坐標，t表示（x，y) 與（&，％)間的距離；n表示切面半寬度，與血管段尺度有關(guān)；0表示血管法線方向。
【文檔編號】G06K9/46GK104408453SQ201410515436
【公開日】2015年3月11日 申請日期:2014年9月29日 優(yōu)先權(quán)日:2014年9月29日
【發(fā)明者】楊健, 王涌天, 劉越, 宋憲政 申請人:北京理工大學